Редактирование голоса с помощью ИИ: 3 задачи, инструменты и цены минуты

Коротко (TL;DR)

• Редактирование голоса нейросетью — это три разные задачи: заменить слово в готовой записи, убрать шум и поменять тембр. Их решают разные инструменты, и в русскоязычной выдаче их обычно смешивают в одну «смену голоса».
• Знаменитая замена слов в Descript для русского и украинского не работает. Функция Regenerate (раньше называлась Overdub) поддерживает только английский, а русскую речь Descript даже не транскрибирует.
• Для русского и украинского вендор прямо заявляет поддержку только у ElevenLabs: Voice Changer — 29 языков, среди них украинский и русский. Независимых замеров качества на этих языках мы не нашли.
• Шумодав — самая зрелая и безопасная часть. Adobe Enhance Speech бесплатно чистит до часа записи в день, Auphonic — 2 часа в месяц. Но сильная обработка «пересобирает» голос, и его нужно проверять на слух.
• Клон — самая рискованная часть. Чужой голос ElevenLabs профессионально клонировать не даёт даже с согласием, а в ЕС с 2 августа 2026 года клон, который выдаёт себя за живую речь, нужно раскрывать.

Как ИИ правит готовый голос: три задачи и три класса инструментов

Редактирование голоса в готовой записи — это правка уже сделанного подкаста, видео или озвучки без похода в студию. Удобная аналогия — ретушь фотографии: убрать пятно (шум), подправить деталь (слово) или сменить освещение целиком (тембр). У каждой из трёх задач свой механизм, свои инструменты и свой уровень риска.

• Замена слов по тексту. Запись превращается в транскрипт — текстовую расшифровку речи. Вы правите текст, а модель досинтезирует новые слова голосом клона. Пример — Descript Regenerate, ElevenLabs Studio, Vrew Speech Editor.
• Шумодав. Нейросеть отделяет голос от фона: гула, улицы, эха комнаты. Слова и тембр остаются вашими, хотя при сильной обработке голос тоже меняется.
• Смена тембра (voice changer, или speech-to-speech). Модель берёт вашу запись и переозвучивает её другим голосом, сохраняя интонацию и паузы. Слова при этом не меняются.

Главный вывод таблицы: шумодав доступен почти любому и, по заявлению Adobe, почти на любом языке, а вот замена слов и смена тембра упираются в язык и в клон голоса. Дальше разбираем каждую задачу по порядку.

Заменить слово в записи: клон голоса вместо переписи

Замена слова по тексту устроена как цепочка из четырёх шагов. Сервису нужен и распознаватель речи, и клон голоса — копия вашего тембра, обученная на образце записи.

1. Распознавание речи. Сервис делает транскрипт и привязывает каждое слово к отрезку аудио.
2. Правка текста. Вы зачёркиваете неудачное слово и вписываете нужное, как в текстовом редакторе.
3. Синтез. Модель озвучивает новый фрагмент вашим клоном с учётом соседних слов.
4. Склейка. Новый кусок встраивается между старыми так, чтобы не было слышно шва: совпадают громкость, дыхание и темп.

Клонирование голоса нейросеть делает по образцу записи, и от его длины зависит качество. У ElevenLabs мгновенному клону (Instant Voice Cloning) нужно 1–2 минуты чистого звука, профессиональному (Professional Voice Cloning) — от 30 до 180 минут.

У метода есть естественный предел длины. Редакция Toolradar в своём гайде пишет, что такие функции хорошо работают на отдельных словах и коротких фразах, а длинные сгенерированные куски звучат заметно синтетически. Это мнение редакции, а не замер. Descript ограничивает одну операцию 250 символами, то есть фразой-двумя. Практическое правило: заменяйте оговорку, цифру или имя, а абзац лучше перезаписать.

Видеомодель Wan 3.0 от Alibaba: 30 секунд видео из картинки, звука, PDF и сайта

Gemini Omni 1.1 Flash: 40 секунд видео собираются из четырёх генераций по 10 с

FLUX Video Edit: меняем объект или фон в готовом ролике за $0,03 в секунду

Gemini 3.8 Flash: $0,75 за 1M токенов, но задача теста AA — $7,77, почти как у Argon

3D-модель из фото нейросетью — от снимка комнаты до ассетов в Blender

Descript Regenerate: только английский и только свой голос

Descript — видеоредактор, в котором запись правится как документ. Функцию замены слов в нём долго знали как Overdub. Сейчас она называется Regenerate, а в трекере пожеланий самой Descript пишется «Regenerate (fka Overdub)», то есть «ранее Overdub». Многие русскоязычные обзоры до сих пор сводят Descript к схеме «клонировал голос — меняешь слова». Для русской и украинской записи это не работает.

Справка Descript говорит об ограничении прямо: Regenerate поддерживает только английское аудио и видео. Мы проверили страницу 2 ноября 2026 года, кадр ниже.

Рамкой выделена строка «Regenerate currently supports English audio and video only» — она и закрывает вопрос о русском и украинском. Ограничения функции на 2 ноября 2026 года:

Отдельно о русском. Независимый разбор FreeLiveCaption пишет, что русский встречается в выпадающих меню Descript, но русское интервью программа превращает в бессмыслицу или отказывается расшифровывать. Без транскрипта замена слов невозможна: текст — это интерфейс правки.

Любопытная деталь: синтез речи в самой Descript работает на трёх моделях ElevenLabs — Multilingual v2, v3 и v4. Поэтому, если вам нужно клонирование голоса онлайн для правки русской или украинской записи, логичнее сразу смотреть на ElevenLabs, а не ждать языков в Descript. Запрос пользователей на другие языки висит в трекере Descript со статусом «на рассмотрении» (under consideration).

ElevenLabs Studio и Voice Changer: какие языки заявлены

ElevenLabs — сервис синтеза и клонирования речи. Это единственный путь, где вендор прямо называет украинский и русский в списке поддерживаемых языков. Нужно сразу оговориться: это заявление вендора. Независимых замеров качества на этих языках мы не нашли, своих прогонов не делали.

На кадре со страницы Voice Changer (снят 2 ноября 2026 года) рамкой выделен ответ из FAQ: инструмент поддерживает 29 языков, последние в списке — Ukrainian и Russian. Для редактирования голоса онлайн у ElevenLabs есть три инструмента, и решают они разные задачи:

• Studio — замена слов по тексту. Маркетинговая страница Studio обещает: меняете сценарий — студия заново синтезирует тот же голос. Справка уточняет, что можно выделить одно или несколько слов и перегенерировать только их. Оговорка: опция появляется, когда для абзаца уже сгенерировано аудио. То есть сценарий рассчитан на озвучку, сделанную в Studio клоном, а не на любую живую запись.
• Voice Changer — смена тембра. Вы загружаете запись, сервис переозвучивает её другим голосом с вашей интонацией. Лимит — до 5 минут аудио за одну конвертацию.
• Voice Isolator — шумодав. Отделяет голос от фона и стоит столько же кредитов, сколько Voice Changer.

Отдельная тема — перевод видео на другой язык тем же голосом. Это уже не правка, а дубляж, и устроен он иначе: свои языки и свои цены, их мы разбирали в обзоре ElevenLabs Dubbing v1 и v2.

Шумодав: Adobe Enhance Speech, Auphonic, Krisp, DeepFilterNet

Шумодав — нейросеть, которая отделяет речь от всего остального: гула кондиционера, улицы, эха пустой комнаты. Если нужно убрать шум из аудио, нейросеть такого типа — самый доступный из трёх классов инструментов: слова она не меняет, а голос остаётся вашим.

Убрать шум из аудио онлайн нейросеть может прямо в браузере: Adobe Enhance Speech и Auphonic ставить на компьютер не нужно. Krisp — другой класс: он чистит звук в реальном времени, во время звонка или записи, а не готовый файл. DeepFilterNet — открытая модель для своего ПК, о ней ниже.

Лимиты указаны на 2 ноября 2026 года. Adobe предупреждает, что они меняются, а старые обзоры описывают другие цифры.

На графике — верхняя граница бесплатной обработки в месяц, наш расчёт по условиям на 2 ноября 2026 года. Единицы учёта у сервисов разные. У Adobe суточный лимит: 1 час в день × 30 дней = до 1800 минут, но только если пользоваться каждый день. У Auphonic — 120 минут в месяц. У ElevenLabs общий пул: 10 000 бесплатных кредитов ÷ 1000 кредитов за минуту = 10 минут. Вывод: для регулярной бесплатной чистки подкаста Adobe щедрее остальных, а Auphonic удобен как второе мнение.

На снимке страницы тарифов Auphonic от 2 ноября 2026 года рамками выделено бесплатное условие: 2 часа обработанного аудио в месяц, включая ИИ-алгоритмы. Больше — через подписку или разовые пакеты часов, они видны справа.

Независимое сравнение есть только на английском. В шутауте подкаст-редактора Джесси Маккьюна (июнь 2024 года, 9 инструментов, 5 треков) Auphonic назван «тёмной лошадкой» с естественным звуком. Но он слишком агрессивно срезает верхние частоты у женских голосов. Часть ссылок в обзоре приносит автору комиссию, и он об этом предупреждает.

Когда шумодав портит голос: как проверить обработку на слух

Сильный шумодав не вычитает шум, а заново собирает голос. Audo, конкурент Adobe, формулирует это так: Enhance Speech «пересобирает голос, а не отфильтровывает шум», поэтому результат может звучать иначе, чем говорил человек. В шутауте 2024 года отмечено, что при интенсивности выше 50% голоса звучат заметно обработанными, а Adobe меняет характер голоса вплоть до «плохого клона». ProVideo Coalition, тестировавший версию V2, пишет, что она заметно лучше первой, но иногда возвращает лишний бас.

Поэтому силу обработки выставляйте осторожно, а результат проверяйте на слух. Проверка займёт пять минут:

1. Слушайте согласные. Шипящие и свистящие («С», «Ш», «Ц») и взрывные вроде «Т» шумодав может смазать или сделать шепелявыми.
2. Найдите смех и дыхание. Если они исчезли или звучат металлически, обработка слишком сильная.
3. Сравните тембр с оригиналом. Включите 10 секунд до и после: голос должен остаться узнаваемым, без лишнего баса и «телефонного» звука.
4. Смешайте с оригиналом. Если сервис даёт ползунок силы, начните с 30–50%. Если нет — подмешайте немного исходной дорожки в монтажке.
5. Слушайте в наушниках и на динамике телефона. Артефакты на разных устройствах слышны по-разному.

Почему именно на слух, а не автоматически? Исследование, представленное на Interspeech 2024 (сравнивали Denoiser, DeepFilterNet3 и FullSubNet+), показало три вещи. Шумодавы ведут себя по-разному на разных данных. Объективные метрики плохо описывают сложные сцены с несколькими источниками шума. А проверка через распознавание речи может давать «галлюцинации» — ошибки, которых в звуке нет. Для русской и украинской речи независимых тестов шумодавов мы не нашли вовсе, поэтому ухо остаётся главным судьёй.

Открытые модели: AuK, DeepFilterNet и Resemble Enhance на своём ПК

Открытая модель — та, чьи веса и код выложены публично: её можно запустить у себя без подписки и без отправки записи в облако. Для правки голоса таких моделей три заметных, и у каждой свои ограничения.

AuK — одна из новых открытых моделей. Tencent Hunyuan анонсировала её 9 сентября 2026 года, технический отчёт вышел на arXiv днём раньше. Модель умеет не только озвучивать текст, но и править готовую речь. Ограничения существенные. Все опубликованные результаты — собственные тесты Tencent, внешних сравнений нет. Демо-ролики на китайском и английском, о русском и украинском авторы ничего не пишут. Ни отчёт, ни страница на Hugging Face не описывают водяной знак, который помечал бы звук как созданный ИИ.

Посчитаем железо. Авторы замерили пик видеопамяти (VRAM) на серверной NVIDIA A800 с 80 ГБ: 24,78 ГиБ без offload и 16,75 ГиБ с offload. Offload — режим, при котором часть модели держится в обычной памяти компьютера, а не на видеокарте: экономит VRAM, но работает медленнее. Замер сделан на коротком тесте — полторы секунды выходного звука по тексту. Выводы:

• Без offload 24,78 ГиБ не помещаются в потребительскую видеокарту на 24 ГБ — это максимум массовых игровых моделей.
• С offload 16,75 ГиБ влезают в карту на 24 ГБ, но не в карту на 16 ГБ.
• После обновления 16 сентября 2026 года авторы сообщили, что энкодер расходует примерно на 7,5 ГиБ меньше, «чтобы модель легче запускалась на потребительских видеокартах». Нового замера пика они не опубликовали, а из README не видно, сделана таблица до обновления или после. Поэтому итог вычитанием не считаем: рабочая планка для своего ПК — карта на 24 ГБ.
• С 13 сентября 2026 года авторы также поддерживают запуск через MLX на Mac с Apple Silicon.

Так «бесплатная» модель упирается в железо. Как устроен запуск открытой модели на своём ПК, мы показывали на примере Qwen Coder — локальной замены Copilot.

DeepFilterNet проще: это шумодав, который бесплатно можно использовать и в коммерческих проектах. Но он принимает только WAV с частотой 48 кГц, а последний релиз вышел в августе 2023 года. Поддерживать его придётся самому. Resemble Enhance совмещает шумодав и «улучшайзер», который пытается вернуть звуку полосу частот, потерянную при плохой записи.

Сколько стоит минута правок: Descript, ElevenLabs, Auphonic, Adobe

Цены и лимиты ниже — на 2 ноября 2026 года, по официальным страницам тарифов. Исключение — Adobe Premium: отдельной цены Adobe не показывает, данные взяты из стороннего обзора. Это самое быстро устаревающее место статьи: перед покупкой сверяйтесь с первоисточником.

Наш расчёт стоимости минуты у ElevenLabs. Voice Changer и Voice Isolator стоят 1000 кредитов за минуту, кредиты общие для всех функций сервиса. Получается:

• Free: 10 000 ÷ 1000 = 10 минут в месяц.
• Starter: 30 минут за $6, то есть около $0,20 за минуту.
• Creator: около 121 минуты за $22, то есть около $0,18 за минуту. При оплате за год эквивалент $18,33 в месяц, и минута дешевеет примерно до $0,15.
• Pro: 600 минут за $99, около $0,17 за минуту.

Важная оговорка: если в том же месяце вы озвучиваете текст или делаете дубляж, кредиты уходят и туда, и минут на шумодав остаётся меньше. У Descript посчитать цену минуты Regenerate нельзя: сколько ИИ-кредитов списывает одна операция, на странице тарифов не указано. Для русского и украинского этот вопрос всё равно не стоит.

Риски клона голоса: согласие, дипфейк, AI Act, США и Дания

Дипфейк — синтетическая запись, которая выдаёт себя за реального человека. Чистка шума в своём подкасте к этому классу не относится. С заменой слов клоном сложнее: если синтезированный фрагмент можно принять за живую речь, юристы относят его к дипфейкам даже при согласии владельца голоса (подробнее — в блоке про ЕС ниже). Клон чужого голоса без согласия — дипфейк в чистом виде, и здесь правила ужесточаются быстрее всего.

Что позволяют сервисы. ElevenLabs прямо пишет: профессиональный клон можно сделать только со своего голоса — даже с согласием другого человека нельзя. Владелец голоса должен создать и подтвердить клон сам, а потом поделиться им. Правила использования ElevenLabs запрещают клонировать голос живого человека без его явного и информированного согласия. Descript требует явного разрешения от говорящего, чей голос клонируется. Поэтому поправить запись гостя подкаста его клоном можно только с его явного согласия. Мгновенный клон в ElevenLabs вы создадите сами, подтвердив право и согласие владельца голоса, а профессиональный клон создаёт только сам гость.

Почему это не формальность. По данным McAfee (исследование 2023 года, компания продаёт антивирусы), трёх секунд аудио хватило для клона с 85-процентным совпадением с оригиналом. Consumer Reports в марте 2025 года оценил сервисы клонирования голоса шести компаний, среди которых Descript и ElevenLabs. У четырёх из шести не оказалось значимых барьеров против клонирования чужого голоса без согласия. ElevenLabs оказалась в этой четвёрке: для клона хватало отметить, что у вас есть право на голос. Descript была среди двух компаний, где барьеры были. Профессиональный клон ElevenLabs сегодня создаёт только сам владелец голоса, а для мгновенного клона в документации и сейчас описано лишь подтверждение права и согласия. Как такие клоны используют мошенники и как от них защититься, мы разбирали в материале про голосовые дипфейки по телефону.

ЕС. По разъяснению Еврокомиссии, статья 50 AI Act применяется с 2 августа 2026 года. Тот, кто использует ИИ для создания или изменения аудио, которое является дипфейком, обязан раскрыть, что звук сгенерирован или изменён. Сделать это нужно не позже первого контакта со слушателем, понятно и без специальных инструментов — например, звуковой или видимой пометкой; машиночитаемой метки внутри файла для этого недостаточно. Чисто личное использование под AI Act не подпадает, а регулярная работа с доходом — подпадает, даже у частного лица. Юридический блог Praxikon, пересказывая руководство Комиссии от 20 июля 2026 года, делает жёсткий вывод: клон голоса с согласием владельца всё равно остаётся дипфейком. Само руководство мы не открывали. Для провайдеров систем, выпущенных до 2 августа 2026 года, техническая маркировка контента обязательна со 2 декабря 2026 года.

США. FCC приняла решение после фейкового звонка с голосом «Байдена» избирателям Нью-Гэмпшира.

Дания. Законопроект меняет закон об авторском праве. Принят ли он, на 2 ноября 2026 года мы не проверяли.

Что это значит для автора из Украины: Украина не входит в ЕС, но если ваша аудитория или заказчик в Евросоюзе, правило раскрытия касается и вас. Точную трактовку для вашего случая даст только юрист. Практичный минимум — не клонировать чужой голос без письменного согласия и помечать заметно отредактированные ИИ фрагменты в описании выпуска.

Что мы проверили, а чего нет: без своих аудиотестов на RU и UA

Этот разбор собран по документации вендоров, страницам тарифов, исходным репозиториям и независимым тестам на английском. Своих прогонов аудио мы не делали. Вот что важно знать:

• Проверено по первоисточникам: языки и ограничения Descript Regenerate, языки Voice Changer, тарифы и кредиты ElevenLabs, бесплатные лимиты Adobe и Auphonic, лицензии открытых моделей, даты применения AI Act и решения FCC.
• Не проверено вообще: качество замены слов и смены тембра на русской и украинской речи — ни у ElevenLabs, ни у AuK. Независимых замеров нет, есть только заявления вендоров.
• Проверено только на английском: поведение шумодавов. Adobe называет Enhance Speech независимым от языка, но ProVideo Coalition пересказывает жалобы пользователей на неанглийскую речь.
• Что устареет первым: цены и лимиты бесплатных планов, список языков ElevenLabs и требования к видеопамяти AuK. Последние уже менялись в сентябре 2026 года.

Что сделать самому перед выбором: возьмите 30 секунд своей записи с оговоркой и шумом. Прогоните её через Adobe Enhance Speech и ElevenLabs Voice Isolator — оба доступны бесплатно. Для замены слова понадобится мгновенный клон голоса, а в ElevenLabs он есть начиная с тарифа Starter ($6 в месяц на 2 ноября 2026 года). Сравните по чек-листу из раздела про шумодав. Минута теста сэкономит месяц подписки.

Какой инструмент выбрать: таблица решений по задаче

Выбор зависит от задачи и языка. Для чистки шума на любом языке берите бесплатный Adobe Enhance Speech, для второго мнения — Auphonic. Для замены слова в английской записи подойдёт Descript Regenerate. Для русского и украинского вендорскую поддержку заявляет только ElevenLabs, и результат нужно проверять на своей записи. Чужой голос клонировать без согласия владельца нельзя.

Прогрессия от новичка к профи выглядит так. Начните с шумодава: он бесплатный и почти безопасный. Затем попробуйте замену слова на своём голосе. Смену тембра и открытые модели оставьте на случай, когда понимаете, что именно хотите получить и как это проверить.

Частые вопросы о редактировании голоса с помощью ИИ

Можно ли заменить слово в записи нейросетью на украинском языке?

Можно попробовать в ElevenLabs: Studio перегенерирует выделенные слова голосом клона, а вендор заявляет украинский и русский среди поддерживаемых языков. Независимых замеров качества на этих языках нет, поэтому результат нужно проверять на своей записи. Descript Regenerate для этого не подходит: на 2 ноября 2026 года он работает только с английским.

Что такое Descript Overdub и работает ли он сегодня?

Overdub — прежнее название функции замены слов в Descript. Сейчас она называется Regenerate, а сама Descript пишет «Regenerate (fka Overdub)». Функция работает, но только с английским аудио и видео, только с собственным авторизованным клоном голоса и не больше 250 символов за одну операцию. Русский Descript не транскрибирует.

Можно ли клонировать чужой голос, чтобы поправить его запись?

Только с явного согласия владельца голоса. В ElevenLabs мгновенный клон можно создать самому, подтвердив право и согласие владельца, а профессиональный клон чужого голоса нельзя сделать даже с согласием: владелец создаёт и подтверждает его сам, а потом делится. Descript требует явного разрешения говорящего. В ЕС с 2 августа 2026 года такой клон, выданный за живую речь, нужно раскрывать по статье 50 AI Act.

Какой нейросетевой шумодав можно использовать бесплатно?

Adobe Enhance Speech бесплатно обрабатывает файлы до 30 минут и до 1 часа в день. Auphonic даёт 2 часа в месяц, но добавляет свой джингл. ElevenLabs Voice Isolator на бесплатном плане — около 10 минут в месяц. Без облака подойдут открытые DeepFilterNet и Resemble Enhance. Лимиты указаны на 2 ноября 2026 года.

Нужно ли помечать запись, если голос в ней поправлен или клонирован ИИ?

Если запись можно принять за живую речь реального человека и её слушают в ЕС, то с 2 августа 2026 года — да: статья 50 AI Act требует раскрывать дипфейк-аудио. Убранный шум обычно к этому не относится. Клон голоса, по трактовке юридического блога Praxikon со ссылкой на руководство Еврокомиссии, относится даже с согласием владельца. Для точной оценки вашего случая нужен юрист.

Сколько аудио нужно для клона голоса?

У ElevenLabs мгновенному клону нужно 1–2 минуты чистой записи, профессиональному — от 30 до 180 минут. Чем чище образец, тем меньше артефактов: без музыки, эха и чужих голосов. Для мошенников порог ниже: по данным McAfee, трёх секунд хватило для клона с 85-процентным совпадением.